一个应用於网际网路餐厅菜色组合决策之即时多准则决策支援系统

1、一個應用於網際網路餐廳菜色組合決策之即時多準則決策支援系統：以聯合分析為基礎之NEW-IGA模型應用A Real Time MCDSS for Supporting INTERNET Repast Decision Making: An Application of a New IGA model Based on Conjoint Analysis許芳誠、劉懿增、高寧潔*真理大學資訊管理學系台北縣淡水鎮真理街32號*TEL：(02)2368-6257*E-MAIL：aj0317摘要網際網路餐廳若能提供消費者自行搭配菜色組合，將可像A般，獲得Web所帶來的策略優勢。本研究所定義的餐廳菜色組合問

2、題基本上屬於決策者的目標函數未知，決策者的偏好隨著決策分析進行而改變的多準則決策問題。另一方面，在網際網路需即時回應的壓力下，解決網際網路餐廳菜色組合問題也存在回應時間不能太長的限制。過去的文獻顯示，交談式遺傳演算法(Interactive Genetic Algorithms; IGA)適合用於解決此類問題，但以IGA為基礎的模型在互動過程中會造成使用者很大的負擔。為此，本研究提出一個結合聯合分析(conjoint analysis)與GA的NEW_IGA模型，以聯合分析模組替代原本需要決策者逐代和GA的交談並提供適應值的程序，藉以減少使用者的負擔。為驗證NEW_IGA模型的優異性，本研究將

3、以實驗方式比較NEW_IGA與傳統IGA的績效。關鍵詞：多準則決策、交談式遺傳演算法、聯合分析ABSTRACTDecision-making is a very complex process. To accurately modeling the process, methodologies of multiple criteria decision-making (MCDM) are emerging. Take the Interactive Genetic Algorithms (IGA) model for example. After reviewing literatures,

4、we find that the main problem of the IGA is the user may endure a heavy physical and psychological burden to assign fitness repetitively, and the problem is still unresolved apparently. In this paper, we propose a New-IGA model based on conjoint analysis and GA to conquer the problem IGA have met. T

5、o verify the superiority of the NEW-IGA model over the traditional IGA, we design a laboratory experiment on a Chinese repast case to compare the performance between them.Keywords：multiple criteria decision-making, interactive genetic algorithms, conjoint analysis壹、 緒論網際網路除了帶來電子商務的快速發展外，Fenny (2001)

6、更進一步指出：像eb這樣的技術正提供企業史無前例的機會，讓企業經營者重新思考如何建立策略性的企業模型、企業程序與企業間的關係。換言之，企業除了享受網路低成本及簡便的利益外，更應思考如何獲得像A般的策略優勢。現有的網路商店基本上提供消費者一個方便的購物環境，網站通常提供目錄分類功能，消費者藉由逐一瀏覽網頁，尋找適合的商品。一般而言，消費者購買像手機類的商品時，由於商品的價格、品牌、包裝、功能等等屬性所組合出的手機種類相當多，逐一瀏覽網頁將造成使用者很大的負擔。因此，有些網路商店開始嘗試提供消費者更佳的服務。最常見的一種做法是讓消費者輸入他們對商品各屬性水準的需求條件，然後藉由條件比對找出滿足消費

7、者需求的商品。例如手機王網站曾經提供的量身定造手機時，消費者只要在他們提供的輸入介面中選擇價格範圍、品牌、簡配或全配、是否有中文輸入、是否內建來電震動、是否有WAP功能等屬性水準，手機王便會幫忙找出符合消費者需求的手機；或例如在CarP ( 的tire shop買輪胎時，消費者只要選擇欲購買輪胎的 “cross section,” “aspect ratio,” “ rim size,” “one or more tire type,” “one or more brands,” “one or more speed ratings.”等等屬性水準，CarP便會幫忙找出符合消費者需求的輪胎。上

8、述條件式搜尋的最大問題是：大多數的消費者認真的填寫完心儀的所有屬性水準後，常常因為其中的幾項條件未能完全符合而沒有找到使用者想要的商品。例如，在CarP 的tire shop中消費者選擇 “cross section = 275,” “aspect ratio = 70,” “ rim size = 17,” “one or more tire type = High performance,” “one or more brands = Goodyear or Yokohama,” “one or more speed ratings = H-130MPH or V-149 MPH or Y

9、-186 MPH.”後，因為系統無法找到完全符合的輪胎，因此出現 “No matches were found. Try your search again”。我們曾經進行小規模實驗，32位有駕駛經驗的受測者運用tire shop尋找自己偏好的輪胎，初步實驗結果顯示：在5分鐘之內未能找到符合偏好輪胎的比例高達87%(28/32)。實驗完成後，受測者回答放棄使用該項條件式搜尋的比例也高達70%(22/32)。本研究所關心的餐廳菜色組合問題係針對：消費者進入一家餐廳消費時，不希望直接由店家提供的幾組特定菜色組合中選擇其一，而是希望從餐廳所提供的基本菜色自行組合出滿足自己偏好的一桌菜。因此網路餐廳的

10、經營者將面臨如上所述的問題。我們相信，若能發展出一個可以解決這類問題的系統，將可像A般，獲得Web所帶來的策略優勢。我們發現，不論是提供逐一瀏覽網頁或條件式搜尋的網路商店，都隱含二個假設：(1) 消費者已充分了解自己的偏好，(2) 網路商店所提供的商品可以滿足各式各樣消費者的需求。但事實上，有些時候消費者面對一些複雜屬性的商品時，並不全然了解自己的偏好，因此若能提供消費者對同類型商品進行功能或價格等多屬性評比，將可更滿足消費者的需求；另一方面，商品製造商在未能充分掌握所有消費者偏好資訊的情形下，基於成本或市場區隔等考量，無法提供所有可能的商品組合供消費者選擇，導致造成顧客流失的遺憾。對於解決此

11、類決策者偏好未知的多準則決策問題，已有學者提出IGA-based模型可求得使用者滿意解。但IGA模型要求決策者需逐代參與演化，造成使用者極大的負擔。為此，本研究提出一個以聯合分析為基礎的NEW-IGA模型，期望在保有傳統IGA模型的本質下，得以降低使用者負擔，並使決策者的偏好能夠更準確度的被分析出來。為了展示本研究模型的可行性，我們提出二個研究問題，並將以實驗方式驗證NEW-IGA模型與傳統IGA模型的差異性。貳、 文獻探討2.1 研究背景多年來學界關於多準則決策方面的研究已有豐碩的成果，但從文獻中不難發現一些屬於決策者的目標函數未知和決策者的偏好隨著決策分析進行而改變的目標函數未知的多準則決

12、策問題，還有進一步發展的空間。此外，對於一些不存在的解析法或尚未發現解析法求解的問題，通常需要運用資訊科技配合演算法解決。但Cook(1971)提出的NP-complete理論，證實了運用資訊科技演算法求解時，面對巨大的搜尋空間，確實存在時間的限制。為了方便說明，對於找不出多項時間可完成的演算法的決策問題，本研究將之稱為複雜的決策問題。另一方面，互動式的網路商店在即時回應的壓力下，也存在時間的限制。為了方便說明，對於找不出在一特定時間時間可完成的演算法的決策問題，本研究將之稱為即時的決策問題。過去學界對多準則決策問題，依決策程序之不同，大致分成三大類(Hwang and Masud, 1979

13、; Horn, 1997)：(1)先決策後搜尋(Decision making before search)，(2)先搜尋後決策(Search before decision making)，和(3)邊搜尋邊決策(Decision making during search)。我們發現上述所謂的搜尋相當於Simon三階段決策模型中設計階段的一個主要活動，主要涉及的作業是產生方案(generate alternatives)；而所謂的決策則相當於選擇活動。為了便於討論，我們將這該三類多目標最佳化法改以Simon(1960)的詞彙描述為：(1)先選後尋(choice before search)，(

14、2)先尋後選(search before choice) 和(3)邊尋邊選(choice during search)。其中，傳統多目標最佳化法便是典型的先選後尋法。也就是說先選擇好確定的一些目標，再據以找出柏拉圖最佳解集合。另一種方法是，先透過所有可量化準則的目標，找出一組候選解(最好是柏拉圖最佳解)。之後，決策者再根據自己的主觀準則，從中做出最後選擇。上述作法便是先執行搜尋程序再進行選擇程序，這種作法最大的缺失是搜尋時已先將一些準則排除在外，可能不當地減少了搜尋空間的複雜度，導致不利真正柏拉圖最佳解的產生(Cohon, 1985)。顯然這兩種策略都不利於解決目標函數未知的決策問題。邊尋邊選

15、策略是整合搜尋與選擇的一種策略，理論上可以兼顧上述二類方法的優點，又可避免他們的缺失。邊尋邊選使決策者得以在互動式的最佳化程序中表達其偏好。在每次最佳化步驟後，會產生一些必須斟酌的方案，決策者再據此提供更進一步的偏好資訊以便導引下一次的搜尋。因此本研究認為具備邊尋邊選機制的模型應可支援目標函數未知的多準則決策問題。雖然邊尋邊選機制可支援目標函數未知的多準則決策問題，但適合支援本研究問題的模型，尚須克服複雜或即時的決策問題。根據過去的學術研究中，遺傳演算法(genetic algorithms, GA)已成為解決複雜問題的有效工具，而且本質上可以克服演算法非多項時間可完成的限制。而新近的互動式遺

16、傳演算法(interactive genetic algorithms, IGA)除了具備傳統GA的優點外，還具備與決策者互動的機制。陳稼興與許芳誠(2001)曾提出一個以IGA為基礎的多準則決策模型，可以解決消費者偏好未知及消費者偏好隨著決策分析進行而改變的多準則決策模型，但由於傳統IGA，需由決策者逐代給予適應值，面對數十代甚至數百代的演化，對決策者心理與生理均是相當大的負擔。而聯合分析已在多項研究中顯示可以經由與決策者的互動，推估出決策者的偏好函數，而且有很高的準確度。許芳誠等(2001)曾利用聯合分析於喜餅網路商店，幫助消費者找到滿足其偏好的商品，但限於網路須即時回應的限制，喜餅的屬性

17、及屬性水準的數量也受到限制。因此，本研究發展出一個結合聯合分析與GA的New-IGA模型，希望透過聯合分析顯示出決策者的內隱偏好，而後將此內隱偏好轉換為適應函數，然後提供GA得以在廣大的解答空間中即時地找出滿足決策者偏好的滿意解(satisfying solutions)。在我們提出的模型中，若決策者對GA找出的解答不滿意時，可以再一次與聯合分析模組互動，找出更精確的適應函數供GA再次尋找滿意解，直至找到可以接受的滿意解為止。我們所提出的以聯合分析為基礎的New-IGA模型，理論上可滿足邊尋邊選的決策程序，預期也可以有效降低決策者的負擔。為檢驗本研究模型的優越性，在整個實驗中，本研究將透過餐宴

18、決策問題，運用本研究所提出的New-IGA模型與傳統IGA進行比較分析。2.2 交談式遺傳演算法IGA的概念最先於1991年被提出，當時應用於嫌犯臉譜之辨識，並得到相當好的成果(Goldberg, 1994)。之後，IGA陸續被應用於音樂、美術、造型、服裝設計等等藝術領域中。在IGA研究上的二個主要議題是：如何擴展IGA的應用領域及如何降低使用者的負擔，有效的改善使用者給定適應值的手續，使他們花費在評估染色體的心力與時間得以降低。(許芳誠，2000；陳稼興，許芳誠，2001)。IGA以決策者內隱的偏好函數為適應函數，並藉決策者對可行方案的偏好值引導屬性值的重組，搜尋更適合的可行方案。其形式基本

19、上隱含人類的心智模式，同時也滿足邊尋邊選的精神，符合解決目標函數未知的複雜多準則決策問題的需求。IGA的主要概念是希望在GA的基礎下，以人扮演傳統GA適應函數的角色。除了以人的評估替代傳統GA中的適應函數外，IGA和傳統GA並無不同。儘管只有些微的改變，但IGA卻發展出可結合GA的全域搜尋能力(global search ability)及人類的評估力的特色，使得有些不容易發展出合適的評估函數當做GA的適應函數(例如，有些問題的評估除了涉及一些客觀因素，例如：成本、時間等，還涉及人的主觀評估，例如，最像、最舒適、最恰當、最有吸引力等)的問題，都可以應用IGA解決，也使得GA的應用領域得以更寬廣

20、。IGA的基本程序如下：IGA ( ) 隨機設定初始染色體族群顯現各染色體的表現型，並由決策者指定各染色體的適應值while (尚未有夠好的染色體適應值)選擇存活的種子染色體進行該些染色體間的交配以及突變產生下一代族群顯現各染色體的表現型，並由決策者指定各染色體的適應值 由於IGA每一代的演化都需要人的參與，面對數十代，甚至數百代的演化，使用者需對每一代族群中的所有染色體進行評估，並給定適應值，對使用者而言勿寧是一個相當大的負擔。如何降低使用者的負擔一直是IGA應用上的一個待解決問題。換言之，如何提供較佳的適應值給定法，減少系統整體執行時間的耗費，但又不影響系統執行結果，對研究者而言將是一大考

21、驗。2.3 聯合分析聯合分析最早由Luce and Tukey (1964) 所提出，原來稱之為聯合衡量，主要應用於心理學領域之衡量方法。1971年始由Green and Rao引進行銷學領域，成為行銷研究中衡量消費者態度的重要方法，1978年Green and DeSarbo將之改稱為聯合分析，之後聯合分析即用以專指應用於行銷領域中的聯合衡量方法。聯合分析是在已知受測者對某一受測體集合(a set of stimuli)之整體評估結果的情形下，經由分解法(decompositional approach)去估計其偏好結構的一種分析方法。目的在將受測者對受測體的整體偏好加以分解，俾能從受測者對

22、受測體的整體評估結果推求出其偏好效用。適用於衡量受測者的心理判斷，如知覺和偏好(黃俊英，2000)。屬性及屬性水準模組主要是決定商品的屬性及各屬性水準。早期的聯合分析應用研究中，由於產品數量較少，因此屬性和屬性的水準大都由文獻中便可確立。然而，隨著市場競爭激烈，產品的屬性及屬性水準也愈趨多樣化，相對的屬性設計便愈來愈複雜。當屬性及屬性水準確定後，聯合分析便可藉由一個和使用者的互動程序推估出使用者的偏好函數，然後藉此函數計算出所有可能商品組合的偏好度分數，並指定偏好度分數最高的商品為推薦商品。但當聯合分析面臨本研究計劃擬支援的複雜多準則決策問題，也就是產品的屬性及屬性水準相當多，導致產品的組合極

23、為巨大時，想找出偏好度分數最高的商品便成為一個NP-complete 問題，此時傳統的聯合分析將變成不可行。參、 NEW_IGA模型在2.2小節我們看到，IGA在面對使用者偏好未知時，必須讓使用者與GA進行頻繁的互動，導致使用者體力與精神的沉重負擔。雖然已有一些研究試圖降低人和GA互動的負擔，而所有這類研究的主要思考邏輯都建立在如何提供一個好的適應值給定方法上。此外，傳統用於行銷研究的聯合分析法，面對使用者偏好未知時，雖然可藉由與消費者的特定互動程序，取得個別消費者的偏好資訊，並藉以估算該消費者的偏好函數(相較於IGA-based模型，同樣是面對自己的偏好函數不明確，透過聯合分析的特定程序，消

24、費者的偏好效用函數卻可以很輕鬆的推估出來)，但當產品的屬性及屬性水準太多時，即使有了推估出來的偏好函數，卻又面臨無法在有效時間內找出最高偏好度商品的困難。3.1 系統模組本研究計劃希望將聯合分析法中的偏好分析概念導入GA模型中，並提出一個結合聯合分析與GA的全新IGA-based模型，期望在保有傳統IGA-based模型的優點下，可以更減低人和GA互動所承受的負擔。我們初步的概念是在人和GA之間加入一個以聯合分析為基礎的偏好分析模組。在這樣的架構下，使用者可以先和偏好分析模組進行互動，偏好分析模組則分析出使用者的偏好函數作為GA的適應函數，然後GA根據該適應函數演化出一些最佳染色體(最佳解)。

25、若使用者可以從中找出滿意解，則結束；否則使用者需再一次和偏好分析模組進行互動，並分析出更能代表使用者的偏好函數作為GA的新適應函數，然後GA根據新的適應函數演化出一些新的最佳染色體供使用者挑選。上述程序可以一再重複，直到使用者可以從中找出滿意解為止。本研究計劃所擬的新IGA基本演算程序如下：NEW_IGA ( )利用直交表列出一些具代表性商品，將該些商品以圖片呈現於網路介面上，消費者依自己的偏好排出他對該些商品偏好順序，聯合分析模組依據該些商品的排名，估算出消費者的偏好函數，以估算出的偏好函數作為適應函數，並以GA找出偏好度較高的一些商品作為推薦商品while (消費者不滿意所推薦的商品)利用

26、直交表列出一些具代表性商品，將該些商品以圖片呈現於網路介面上，消費者依自己的偏好排出對該些商品的偏好順序，聯合分析模組依據該些商品的排名，估算出消費者的偏好函數，以估算出的偏好函數為適應函數，並以GA找出偏好度較高的一些商品作為推薦商品我們可以很容易看出，上述的NEW_IGA( )演算程序確實可提供邊尋邊選的機制，符合解決本研究所關心的目標函數未知的複雜多準則決策問題。本研究所提之以聯合分析為基礎的New-IGA模型系統架構如圖3.1，系統由四個模組構成：(1)與決策者互動的互動式介面模組，(2)儲存各屬性水準值和相關資料的資料庫管理模組，(3)估算決策者偏好函數的聯合分析運算模組，以及(4)

27、演算屬性重組和推算出適應值高的產品給決策者的GA運算模組所組成。圖3.1 NEW-IGA系統模組架構首先，資料庫管理模組儲存各屬性及水準相關資料、評選方案以及直交排列後的受測方案。系統運作之初，由互動式介面模組展示資料庫管理模組受測方案，並針對這些受測體給予圖片或文字加以描述，好讓決策者針對這些受測體加以排名。而後，聯合分析運算模組藉由這些名次，將各屬性水準的成分效用值及權重計算出來並推估決策者的偏好函數。再者，GA運算模組藉由此偏好函數做為其適應函數，根據此適應函數，對染色體進行選擇、交配、和突變等運算，並演化出適應值高的商品組合。最後，將這些商品組合供決策者評估，假使決策者不甚滿意，系統會

28、重新運作，直到產生決策者滿意的產品組合為止。本系統除了滿足邊尋邊選的機制外，藉由聯合分析更可估算出決策者的偏好函數，並促使決策者在整個運作中，且經由邊尋邊選的機制，可望逐漸清楚本身的目標。此外，GA的強大搜尋能力，可以在解答空間極大的問題中，搜尋出使用者的滿意解，為使用者提供決策方案。3.2案例1. 設定屬性水準：將海鮮餐廳內的所有菜色，依照開放性問卷中受測者過去的經驗，以及一般海鮮餐館的桌宴菜色分配，將桌菜組合歸類為九個屬性，且每個屬性給予四個水準，如表3-1。表3-1 屬性及水準拼盤冷盤米飯湯品魚類蝦蟹類貝參類甜點水果1珍珠拼盤龍蝦沙拉紅蟳米糕魚頭味噌清蒸石斑荷葉蒸蝦九孔起士燒椰汁雪花糕百

29、花生果2九孔拼盤沙拉美鮑角壽司船八寶燉魚翅紅甘刺身車蝦焗起士烏參悶虎掌雪茸蓮子湯錦繡鮮果3鮑魚雙拼沙拉海鮮捲荷葉鰻米糕鯛首沙鍋味噌糖醋鰻魚北海道長腳蟹蠔油烏參燴干貝義大利奶酪花式水果4龍蝦三拼沙拉羅香蝦錦繡壽司船蛤蜊湯泰式檸檬清蒸魚芙蓉旭蟹蒜泥蒸九孔百合紅豆沙翠綠鮮甜水果2. 決定供受測者評選排名之方案：在9個屬性、4個水準的前提下，將會產生26多萬種桌菜組合，利用直交表的運算模式，決定出32個備選之方案，如表3-2。(礙於篇幅僅展示部分受測方案)表3-2 備選方案拼盤冷盤米飯湯品魚類蝦蟹類貝參類甜點水果1龍蝦三拼沙拉海鮮捲錦繡壽司龍船蛤利湯泰式檸檬清蒸魚芙蓉旭蟹蒜泥蒸九孔百合紅豆沙翠綠鮮甜冰

30、果2珍珠拼盤沙拉羅香蝦錦繡壽司龍船鯛首砂鍋味增糖醋鰻魚荷葉蒸蝦蠔油烏參燴干貝椰汁雪花糕花式水果3九孔拼盤沙拉美鮑角紅蟳米糕蛤利湯泰式檸檬清蒸魚車蝦焗起士蒜泥蒸九孔雪茸蓮子湯翠綠鮮甜冰果.32.3. 決定給予使用者排名的受測體：若將直交表運算後產生的32個備選方案，直接由使用者排名，勢必造成使用者不小的負擔，本研究初步提出下列3種受測體選取方式，期望能在降低使用者負擔的情形下，仍保有偏好的準確度。(1) 隨機抽樣法：由直交表產生的32個評選方案中，由電腦隨機抽取10個方案作為受測體，再由受測者排名。優點：是在3個初步構想中，使用者負擔最少者。缺點：因為是由電腦隨機抽樣出10個受測體，屬性水準可能

31、無法完整呈現，因此，對於使用者偏好的估算準確度無法預期。(2) 分堆抽樣法：由電腦隨機將32個方案分成4組，每組中各含有8個評選方案，受測者須從每組方案中挑選最喜好的兩個方案，而後將每組的2個方案合成一組，此組內含受測者選出的8個方案，即為受測體，再由受測者對這8個受測體依序排名。優點：可減少使用者的排名次數，且降低使用者面對過多受測體時無從排名的困擾，相較於電腦隨機抽取的方案更能表現使用者的偏好度。缺點：相較於上述之隨機抽樣法，使用者仍需耗費不少的精神及時間負擔，且由於未將32個受測方案都做排名，很可能會導致偏好權重值不正確的結果，此外，由於選擇偏好度高的方案，則決策者的偏好喜惡可能無法明顯

32、表現。(3) 分堆法：先由電腦隨機將32個方案分成4組，每組中各含有8個受測方案，受測者須將每組方案依照偏好程度排名，而後將各組的第1、2名合成一組，再由使用者將4組的1、2名，依偏好程度排序18名，同理，將各組的3、4名依序排名916，各組5、6排序1724名，各組7、8名，排序為2532名，如此可將32個評選方案皆視為受測體。優點：因為原本的評選方案即是由直交表公平抽樣後產生的，若可將這32個評選方案皆視為受測體供使用者排名，則表示每個屬性中的四個水準皆平均出現於此32個受測體中，對於受測者的偏好權重值是在此3種初步架構中最能正確估算者。缺點：使用者需經過8次的排名才能將32個評選方案依序

33、排名，在本研究提供的3種初步構想中，是造成使用者負擔最大者。4. 展示受測體決策者進入互動式介面模組，系統在資料庫管理模組將受測體取出來，由互動式介面模組展示出來，供決策者排名。5. 計算偏好函數根據決策者所排名次，運用聯合分析運算模組，計算出各屬性及水準的權重與效用值，以及決策者的偏好函數。6. 演化出較佳決策方案將偏好函數作為適應函數，代入GA運算模組中，經由選擇、交配、以及突變，演化出較佳的決策方案。7. 展示演化結果將演化出的決策方案以圖片及文字告知決策者，並詢問決策者是否滿意。假使決策者不滿意，則系統會自動回溯至第四步驟，如此重覆直到決策者滿意為止。3.3 案例示範步驟1.擬定個案範

34、例：4個屬性，3個水準，共有81種組合方式並將其編碼，如表3-3。表 3-3 範例的屬性與水準屬性魚類編碼蝦蟹類編碼貝參類編碼湯品編碼1清蒸石斑0荷葉蒸蝦0九孔起士燒0魚頭味噌02紅甘刺身1車蝦焗起士1烏參悶虎掌1八寶燉魚翅13糖醋鰻魚2北海道長腳蟹2蠔油烏參燴干貝2鯛首砂鍋味噌2步驟2. 利用直交表產生9個受測體給予受測者排名，由於受測體總數不多，因此採用一次全部給予決策者排名，如表3-4。表3-4 九個受測體排名名次魚類蝦蟹類貝參類湯品9清蒸石斑荷葉蒸蝦烏參悶虎掌魚頭味噌2紅甘刺身車蝦焗起士蠔油烏參燴干貝八寶燉魚翅3糖醋鰻魚北海道長腳蟹九孔起士燒鯛首砂鍋味噌1清蒸石斑車蝦焗起士九孔起士燒八

35、寶燉魚翅8紅甘刺身北海道長腳蟹烏參悶虎掌鯛首砂鍋味噌6糖醋鰻魚荷葉蒸蝦蠔油烏參燴干貝魚頭味噌4清蒸石斑北海道長腳蟹蠔油烏參燴干貝鯛首砂鍋味噌5紅甘刺身荷葉蒸蝦九孔起士燒魚頭味噌7糖醋鰻魚車蝦焗起士烏參悶虎掌八寶燉魚翅 步驟3.將9個受測體的排名先後視為各水準的得分數，例如排名1者得分數為9，排名2者得分數為8，第三名得分7，以此類推。利用聯合分析運算出每個屬性中各水準的水準效用值，如表3-5。 (1)表3-5 成分效用值屬性水準分數效用值魚類清蒸石斑160.36紅甘刺身150.33糖醋鰻魚140.31蝦蟹類荷葉蒸蝦100.22車蝦焗起士200.44北海道長腳蟹150.33貝參類九孔起士燒210

36、.47烏參悶虎掌60.13蠔油烏參燴干貝180.4湯品魚頭味噌100.22八寶燉魚翅200.44鯛首砂鍋味噌150.33步驟4.計算每個屬性的權重值，如表3-6。表3-6 屬性的權重值屬性水準分數效用值U高U低U距權重%魚類清蒸石斑160.360.360.050.06紅甘刺身150.33糖醋鰻魚140.310.31蝦蟹類荷葉蒸蝦100.220.220.27車蝦焗起士200.440.440.22北海道長腳蟹150.33貝參類九孔起士燒210.470.470.340.41烏參悶虎掌60.130.13蠔油烏參燴干貝180.4湯品魚頭味噌100.220.220.27八寶燉魚翅200.440.440.2

37、2鯛首砂鍋味噌150.33步驟5.GA運算：1. 電腦隨機選出GA運算中第一代的父代，假設六個父代，如表3-7。2. 利用轉輪法做選擇，接著在每一基因的後三個碼做crossover，及隨機選一基因中的一碼做 mutation等運算，產生子代。假設GA演化十代，如表3-8。表3-7 第一代的父代名次genesrate1清蒸石斑車蝦焗起士九孔起士燒八寶燉魚翅010120%2紅甘刺身車蝦焗起士蠔油烏參燴干貝八寶燉魚翅112119%3糖醋鰻魚北海道長腳蟹九孔起士燒鯛首砂鍋味噌220217%4清蒸石斑北海道長腳蟹蠔油烏參燴干貝鯛首砂鍋味噌022216%5紅甘刺身荷葉蒸蝦九孔起士燒魚頭味噌100015%6

38、糖醋鰻魚車蝦焗起士烏參悶虎掌八寶燉魚翅211114%表3-8 GA運算後的子代123456第一代012111012222020211112000第二代100021012202000002020121第三代200012021101200002022000第四代100021012202100021011000第五代200011012000120222022101第六代220220002101110120002202第七代210112022101100020002202第八代200011011101220222022000第九代210110002101120220002202第十代220211012

39、0001101200022023. GA演化後的決策方案 (最後一代的子代)，如表3-9。 表3-9 GA演化後的決策方案1清蒸石斑荷葉蒸蝦烏參悶虎掌八寶燉魚翅2清蒸石斑車蝦焗起士蠔油烏參燴干貝鯛首砂鍋味噌3紅甘刺身北海道長腳蟹蠔油烏參燴干貝鯛首砂鍋味噌4紅甘刺身北海道長腳蟹蠔油烏參燴干貝八寶燉魚翅5糖醋鰻魚車蝦焗起士九孔起士燒鯛首砂鍋味噌6糖醋鰻魚車蝦焗起士九孔起士燒八寶燉魚翅以表3-9的結果給決策者評估，假若決策者不滿意，則回溯至步驟二，請決策者再做一次排名，直到決策者滿意為止。肆、 討論與結論對於實驗設計中，決定給予使用者排名的受測體展示方式，初步提出了3個方案，也針對各個方案預估其所產

40、生優缺點，後續會將此三種方案具體施行，以求得確實的結果，加以記錄並比較此三種方案對此個案在時間效率及使用者偏好準確度上的差異。除此之外，雖說GA已可解決非多項時間可完成的演算法，但是，由於本研究案例屬性水準數頗多，是否能在即時得到GA收斂的決策方案，仍是一個未知數。而且，此收斂之決策方案是否為最好，與GA中所使用的參數設定也有很大的關係，因此為希望留下好的子代，在GA的參數設定上也成為本研究一個很重要的關鍵。因此，根據本研究架構，我們會進一步地將餐宴分析個案引入NEW-IGA模型及傳統IGA-based模型，抽選受測者，實際操作此二架構，並記錄其使用狀況、完成時間、以及使用結果，分析比較NEW

41、-IGA模型與傳統IGA-based模型的差異，驗證是否NEW-IGA模型的演化效率及演化效果均優於傳統IGA-based模型。理論上，本研究所提的NEW_IGA-based多準則決策支援模型，可滿足解決目標函數未知的複雜多準則決策問題的概念本質。若研究結果顯示相對於傳統的IGA-based模型有顯著的優越性，則不論對聯合分析或IGA理論都可以開啟新的視野。本研究的模型期望可以運用聯合分析計算成分效用值的方式，估算出較符合使用者心中的偏好函數，希望藉此降低使用者不滿意的機率。更針對無法在多項時間內完成的複雜多準則決策問題，利用GA強大的搜尋能力，解決NP-complete的問題。此外，本研究模

42、型提供邊尋邊選的機制，冀望產生較佳的決策方案，提供決策者參考。從實務應用的角度，若實驗顯示NEW-IGA模型較傳統IGA-based模型有顯者的優越性，則未來經營電子商務B2C的廠商以及網際網路商店，可將本研究所提模型建立在其網站上，相信可以更有效的幫助消費者從眾多類似商品中，選擇一個最滿足其偏好的商品。預期這樣的系統將可成為一個策略性系統，為廠商帶來競爭優勢。參考文獻 1 黃俊英，多變量分析，台北:翰蘆圖書出板有限公司，2000。 2 許芳誠，智慧型多準則決策支援之研究：以交談式遺傳演算法為基礎的模型，國立中央大學博士論文，2000。 3 許芳誠，吳靜芬，劉佳怡，張桂綺，劉盈秀，以聯合分析為基礎之策略性網路行銷系統模型網路喜餅商店個案研究，第七屆資管研究暨實務研討會，2001。 4 陳稼興，許芳誠，以交談式遺傳演算法為基礎的多準則決策支援模型：旅遊行程規劃個案 研究，管理學報，第十八卷，第四期，2001，頁639-665。 5 Cohon, J. L., “Multicriteria Programming: Brief R